我在 Google 的 5 天 Gen AI 强化课程中学到的

Source: Dev.to

我最近完成了 Google 的 5 天 Gen AI Intensive 课程。我的动机有两点：对 Python（抱歉，是 TypeScript）的热爱以及对 AI 代理的浓厚兴趣。下面是我所学内容的简要回顾，以及它们如何重塑我已有的代理项目。

第 1 天 – 基础与 Prompting

• 背景 – 我带着多个代理项目参加课程（使用 RAG 的 Discord 机器人、基于 LiveKit + FastAPI 的实时语音代理，以及一次黑客马拉松式的客服机器人）。
• 关键洞见 – 之前的实现显得很脆弱；一个边缘案例就可能导致整个系统崩溃。
• 学习要点
  • 阅读了 NotebookLM 白皮书，了解了基础 LLM 的工作原理，弄清了为何某些提示成功或失败。
  • 完成了 Prompting 基础实验室，发现 temperature、top‑k 和 top‑p 对输出随机性和创造性的影响。

第 2 天 – 评估与结构化输出

• 问题 – 我在手动检查代理响应，这既低效又容易出错。
• 解决方案 – 学习了 autoraters 和 structured outputs，能够以编程方式验证幻觉以及是否符合预期行为。

第 3 天 – 嵌入、向量存储与检索增强生成 (RAG)

• 之前的经验 – 使用过 Chroma 等向量存储，但并未完全理解它们的细节。
• 突破 – 嵌入白皮书阐释了向量相似度背后的理论，帮助我诊断搜索失败的原因。
• 实操 – 从零构建了文档问答系统，尝试了以下内容：
  • 文本块大小及重叠策略
  • 嵌入质量与检索性能之间的直接关系

第 4 天 – 多代理系统与状态管理

• 探索 – 深入研究多代理架构，受到 Gemini “AI‑using‑AI” 方法的启发。
• 核心概念
  • 用于管理多轮对话的 状态机 和 agent loops
  • 在交互过程中保持上下文而不出现衰减的技术

第 5 天 – MLOps 与部署考量

• 重点 – 最后一节讨论了运营层面的内容（MLOps、DevOps、DataOps）以及在生产环境中扩展代理的挑战。
• 收获 – 虽然没有动手实验室，但讨论强调了沙箱环境在安全部署和监控中的重要性。

最后感想

AI 代理正日益成为日常工作流的核心组成部分。这次强化课程填补了我从底层模型机制到高层系统设计的诸多知识空白，并提供了实用工具，让我能够构建更稳健、可靠的代理。我期待将在课程中获得的洞见应用到未来的项目中。